پایش سلامت سازه‌ای هوشمندِ سازه‌های هیدرولیکی با استفاده از مدل‌های ترکیبی یادگیری عمیق

پیام پورشیخ علی اصغری¹

1) مهندس

کد IOI مقاله : AACZ-ABGDDE
محل انتشار : پنجمین کنفرانس بین المللی مقاوم سازی لرزه ای(5icst.ir)
چکیده :
    چکیده سازه‌های هیدرولیکی مانند سدها، سرریزها و سیستم‌های اتلاف انرژی از اجزای حیاتی زیرساخت‌های منابع آب هستند که به طور مداوم در معرض بارهای هیدرولیکی، مکانیکی و محیطی پیچیده قرار دارند. این شرایط اغلب موجب تخریب تدریجی می‌شود که تشخیص آن با استفاده از روش‌های متداول پایش سلامت سازه‌ها (SHM) به ویژه زمانی که داده‌های حسگرها بزرگ‌مقیاس، ناهمگن و وابسته به زمان باشند، دشوار است. در این مطالعه، چارچوبی ترکیبی مبتنی بر یادگیری عمیق هدایت‌شده با اصول فیزیکی برای پایش پیشرفته سلامت و ارزیابی آسیب سازه‌های هیدرولیکی ارائه شده است. روش پیشنهادی از شبکه‌های عصبی کانولوشنی (CNN) برای استخراج ویژگی‌های مکانی از اندازه‌گیری‌های ارتعاش، کرنش و فشار استفاده کرده و شبکه‌های حافظه بلندمدت کوتاه‌مدت (LSTM) برای تحلیل روند زمانی پاسخ‌های سازه‌ای تحت شرایط عملیاتی مختلف به کار گرفته شده‌اند. به منظور اطمینان از پیش‌بینی‌های سازگار با قوانین فیزیکی، قیود مبتنی بر مکانیک هیدرولیکی و سازه‌ای در فرایند یادگیری گنجانده شده است. مدل با استفاده از ترکیبی از شبیه‌سازی‌های عددی با وضوح بالا و داده‌های پایش بلندمدت، که حالات سازه‌ای نرمال و تخریب‌یافته را نشان می‌دهد، ارزیابی شده است. نتایج نشان می‌دهد چارچوب ترکیبی CNN–LSTM پیشنهادی از نظر دقت در تشخیص ناهنجاری، شناسایی آسیب و تخمین عمر مفید باقی‌مانده، به طور چشمگیری از مدل‌های مرسوم یادگیری ماشین پیشی گرفته است. یافته‌ها پتانسیل بالای روش پیشنهادی را برای ارزیابی بلادرنگ سازه و نگهداری پیش‌بینانه برجسته می‌سازد و ابزاری مطمئن برای پشتیبانی تصمیم‌گیری به منظور افزایش ایمنی، تاب‌آوری و بهره‌وری عملیاتی زیرساخت‌های حیاتی هیدرولیکی ارائه می‌کند.

کلمات کلیدی : سازه‌های هیدرولیکی پایش سلامت سازه ای یادگیری عمیق ترکیبی معماری cnn lstm نگهداری پیش بینانه